随着物联网时代的到来，物联网中传输层的网络安全也越来越得到人们的重视。物联网中的安全问题造成的损失比传统网络更加严重，不仅是信息资料，甚至涉及到现实中的实物。传统入侵检测技术在物联网复杂的网络环境中无法很好的适应，于是研究与当今的物联网安全相对应的入侵检测系统就变得极为迫切。传统入侵检测系统的性能在复杂的物联网环境下比较低下，而且不能比较智能地处理一些突发的入侵事件，基于这些原因决定研究一种能够在这一复杂环境下正常运行的入侵检测模型，模型利用BP神经网络和AGENT技术的优点进行设计。基于BP神经网络存在的缺陷，本文决定对权值和学习速率进行优化，以提高整个系统模型在物联网环境下的性能。本文首先介绍了入侵检测的基本概念和理论知识，从定义、分类和通用模型等方面进行介绍，并且对AGENT技术的相关概念和神经网络的基本理论知识进行了较为细致的描述。然后介绍了物联网存在的基本安全问题，并针对其中复杂的网络环境的实际情况，提出了利用BP神经网络和AGENT技术相结合的方式，解决入侵检测系统在复杂的物联网环境中存在的性能低等问题。因为BP神经网络收敛速度慢和存在局部最优值等缺陷，提出了利用遗传规划算法分别对连接权值优化和学习速率优化，然后把优化的BP算法应用到入侵检测系统当中。通过对通用模型的研究，最后提出了基于神经网络的入侵检测系统模型，并且详细介绍了模型各个AGENT单元构件的工作方式，以及整个系统的运作方式。最后对模型算法进行了试验评估，并对实验仿真采用的KDDCUP99数据集进行了较为细致的描述，并且参考实际网络环境选取了各部分数据集，然后对数据集进行了初步的处理工作。最后，通过实验结果及其实验结果的分析，把实验中几种算法和本文模型的算法进行实验比较，通过分析实验数据证明本文模型算法具有较优的性能，可以应用到物联网安全防御当中。